论文部分内容阅读
【文章摘要】
放眼全球市场，在企业竞争中买方市场占据着统治的地位，为适应这一发展趋势，越来越多的企业纷纷把关注的目光由过去聚焦在“产品”上，逐渐转移到“客户”上。客户关系管理CRM逐渐成为各企业管理者所耳熟能详的一个重要概念，尤其像电信这种以客户为中心的行业。本文将对数据挖掘及CRM的概念进行说明，并研究数据挖掘在电信CRM中的应用。
【关键词】
数据挖掘；CRM；电信
1 数据挖掘
1.1 概念
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。
1.2 功能
（1）发现与预测：数据挖掘就像在“数据山”上寻找挖掘“知识金块”， 如果不采用强有力的工具， 这些“金块”就很难找到。这是数据挖掘的功能之一， 即发现功能。
数据挖掘还包括预测功能， 通过它， 不仅可以在“数据山”中找到目前需要的“金矿”， 还可以帮助我们预测新的金矿或银矿在山的什么走向， 以使我们尽快找到新的金矿。
（2）关联规则挖掘：数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性， 就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的就是找出数据库中隐藏的关联规则或关联网。关联规则可记为 A→B， A 称为前提， B称为后续。由于数据库中数据量非常庞大， 数据间的关联函数有时并不知道， 即使知道也可能是不确定的， 或带有一定可信度的。因此， 利用数据挖掘的关联分析功能所发现的规则性往往带有可信度。而数据关联的支持度是指该关联在数据库中出现的频率。
（3）除以上两种之外，序列模式发现、依赖关系或依赖模型发现、异常和趋势分析等也都属于数据挖掘功能。
2 CRM
2.1 概念
关于CRM的定义，概括来说就是借助先进的信息技术和管理思想，通过对企业业务流程的重组来整合客户信息资源，并在企业内部实现客户信息和资源的共享，为客户提供更经济、快捷、周到的产品和服务，改进客户价值、满意度、盈利能力以及客户的忠诚度，保持和吸引更多的客户，最终实现企业利润的最大化。
由此看来，CRM既是一种管理思想，又是一套解决方案，同时也是一套应用软件系统。CRM首先是一个建筑在市场经济相对发达基础之上的管理理念，其源于市场营销理论，强调一切以客户为中心（之前强调以产品为中心），IT技术只是CRM理念的表现方式而已。作为解决方案的CRM，它集合了当今最新的信息技术，它们包括Internet和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心等。
2.2 功能
（1）运营型CRM： 使企业完成从市场、销售到服务的全部业务流程的自动化。这一功能可以采集客户数据，进而为分析型CRM提供分析数据；
（2）分析型CRNI： 主要分析运营型CRM和原有系统中获得的各种数据，进而为企业经营和决策支持提供可靠的量化依据。这是最难的也是最重要的功能，数据挖掘技术在此发挥了核心作用；
（3）协作型CRM：将多种与客户交流的渠道（如电话、传真、网络、Email等）紧密集成在一起，保障了渠道的有效性和一致性。
3 数据挖掘在电信CRM中的应用
3.1 数据挖掘技术在电信 CRM的主要应用领域
（1）客户背景分析：客户背景分析是按照客户基本背景资料， 对客户群进行划分， 利用客户信息中相对稳定的背景要素（ 如年龄、职业等） 来描述不同客户的通话种类、通话时段等状况；同时也可以利用现有客户的背景分析来正确评价和预测潜在的客户和新客户的信用度情况。
（2）客户消费模式分析：客户消费模式分析主要是分析针对各种业务种类， 不同背景群体客户的消费模式如何。不同的群体客户消费模式具有一定的趋势， 同时也具有一定的共同点。通过客户消费模式的分析， 可以挖掘出隐含在客户交易信息下的规律， 依此制订相应的市场促销策略， 挖掘不同客户群体的潜在消费潜质。比如电信业中的固定电话话费行为分析是对客户历年来长话、市话、信息台的大量详单以及客户档案资料等相关数据进行关联分析， 结合客户的分类， 可以从消费能力、消费习惯、消费周期等诸方面对客户的话费行为进行分析和预测， 从而为固定运营商的相关经营决策提供依据。
（3）客户行为分析：客户行为分析指结合信息对某一客户群的消费行为进行分析， 针对不同的消费行为及其变化， 制定个性化营销策略， 并从中筛选出“黄金客户”。在客户行为分析过程中， 可能还需要对客户忠诚度进行分析， 即对客户持久性、牢固性及稳定性的分析。
（4）客户流失分析：客户流失分析是指根据已有的客户流失数据， 建立客户属性、服务类型、客户消费情况等数据与客户流失概率相关联的数学模型， 找出这些数据之间的关系， 并给出明确的数学公式， 然后根据此模型来监控客户流失的可能性。关键问题是当运营商面临海量的客户资料时， 应如何才能够从中提取出有效的信息以判断客户流失的状况或者倾向。在此， 数据挖掘所提供的数据探索能力得到了充分的发挥。
3.2 数据挖掘的实施过程
（1）定义问题：在此要清晰的定义出业务问题，确定目标， 同时判定该问题是否可以用数据挖掘来解决， 并评估目前可用于数据挖掘的资源， 制定数据挖掘计划。在本例中， 确定的数据挖掘目标是寻找电话卡与电话类型之间的潜在关联关系。
（2）选择数据挖掘技术和工具：在明确了说要解决的问题后， 我们就可以选择合适的数据挖掘技术和工具。可以采用的技术有 Apriority 算法、多层关联规则挖掘、基于约束的关联规则挖掘等。
（3）数据选择：数据挖掘是由可以获取的数据驱动的， 其成功在很大程度上取决于数据的质量和数量。我们应搜索所有与目标有关的内部和外部数据信息， 并从中选择出适用于数据挖掘应用的数据。
（4）建立数据挖掘模型并实施数据挖掘：数据挖掘模型是针对挖掘算法建立的， 如可以选择关联规则、决策数等。我们利用关联规则建立了数据挖掘模型之后，要对其模型进行验证，这样就可以应用所得到的数据进行挖掘。
（5）结果分析和评估：通过上面的处理之后， 就会得到一系列的分析结果和模式， 它们是对目标问题的多侧面的描述， 这时需要对它们进行分析和评价， 以得到合理的完备的决策信息。
【参考文献】
[1]彭木根.数据仓库技术与实现[M].北京：电子工业出版社， 2002.53- 62.
[2]赵宏波.电信企业客户关系管理[M].北京：人民邮电出版社， 2003.89- 93.
[3]杨路明.客户关系管理系统[M].重庆：重庆大学出版社，2004.
放眼全球市场，在企业竞争中买方市场占据着统治的地位，为适应这一发展趋势，越来越多的企业纷纷把关注的目光由过去聚焦在“产品”上，逐渐转移到“客户”上。客户关系管理CRM逐渐成为各企业管理者所耳熟能详的一个重要概念，尤其像电信这种以客户为中心的行业。本文将对数据挖掘及CRM的概念进行说明，并研究数据挖掘在电信CRM中的应用。
【关键词】
数据挖掘；CRM；电信
1 数据挖掘
1.1 概念
数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的数据集中识别有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。它是一门涉及面很广的交叉学科，包括机器学习、数理统计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。
1.2 功能
（1）发现与预测：数据挖掘就像在“数据山”上寻找挖掘“知识金块”， 如果不采用强有力的工具， 这些“金块”就很难找到。这是数据挖掘的功能之一， 即发现功能。
数据挖掘还包括预测功能， 通过它， 不仅可以在“数据山”中找到目前需要的“金矿”， 还可以帮助我们预测新的金矿或银矿在山的什么走向， 以使我们尽快找到新的金矿。
（2）关联规则挖掘：数据关联是数据库中存在的一类重要的可被发现的知识。若两个或多个变量的取值之间存在某种规律性， 就称为关联。关联可分为简单关联、时序关联、因果关联。关联分析的目的就是找出数据库中隐藏的关联规则或关联网。关联规则可记为 A→B， A 称为前提， B称为后续。由于数据库中数据量非常庞大， 数据间的关联函数有时并不知道， 即使知道也可能是不确定的， 或带有一定可信度的。因此， 利用数据挖掘的关联分析功能所发现的规则性往往带有可信度。而数据关联的支持度是指该关联在数据库中出现的频率。
（3）除以上两种之外，序列模式发现、依赖关系或依赖模型发现、异常和趋势分析等也都属于数据挖掘功能。
2 CRM
2.1 概念
关于CRM的定义，概括来说就是借助先进的信息技术和管理思想，通过对企业业务流程的重组来整合客户信息资源，并在企业内部实现客户信息和资源的共享，为客户提供更经济、快捷、周到的产品和服务，改进客户价值、满意度、盈利能力以及客户的忠诚度，保持和吸引更多的客户，最终实现企业利润的最大化。
由此看来，CRM既是一种管理思想，又是一套解决方案，同时也是一套应用软件系统。CRM首先是一个建筑在市场经济相对发达基础之上的管理理念，其源于市场营销理论，强调一切以客户为中心（之前强调以产品为中心），IT技术只是CRM理念的表现方式而已。作为解决方案的CRM，它集合了当今最新的信息技术，它们包括Internet和电子商务、多媒体技术、数据仓库和数据挖掘、专家系统和人工智能、呼叫中心等。
2.2 功能
（1）运营型CRM： 使企业完成从市场、销售到服务的全部业务流程的自动化。这一功能可以采集客户数据，进而为分析型CRM提供分析数据；
（2）分析型CRNI： 主要分析运营型CRM和原有系统中获得的各种数据，进而为企业经营和决策支持提供可靠的量化依据。这是最难的也是最重要的功能，数据挖掘技术在此发挥了核心作用；
（3）协作型CRM：将多种与客户交流的渠道（如电话、传真、网络、Email等）紧密集成在一起，保障了渠道的有效性和一致性。
3 数据挖掘在电信CRM中的应用
3.1 数据挖掘技术在电信 CRM的主要应用领域
（1）客户背景分析：客户背景分析是按照客户基本背景资料， 对客户群进行划分， 利用客户信息中相对稳定的背景要素（ 如年龄、职业等） 来描述不同客户的通话种类、通话时段等状况；同时也可以利用现有客户的背景分析来正确评价和预测潜在的客户和新客户的信用度情况。
（2）客户消费模式分析：客户消费模式分析主要是分析针对各种业务种类， 不同背景群体客户的消费模式如何。不同的群体客户消费模式具有一定的趋势， 同时也具有一定的共同点。通过客户消费模式的分析， 可以挖掘出隐含在客户交易信息下的规律， 依此制订相应的市场促销策略， 挖掘不同客户群体的潜在消费潜质。比如电信业中的固定电话话费行为分析是对客户历年来长话、市话、信息台的大量详单以及客户档案资料等相关数据进行关联分析， 结合客户的分类， 可以从消费能力、消费习惯、消费周期等诸方面对客户的话费行为进行分析和预测， 从而为固定运营商的相关经营决策提供依据。
（3）客户行为分析：客户行为分析指结合信息对某一客户群的消费行为进行分析， 针对不同的消费行为及其变化， 制定个性化营销策略， 并从中筛选出“黄金客户”。在客户行为分析过程中， 可能还需要对客户忠诚度进行分析， 即对客户持久性、牢固性及稳定性的分析。
（4）客户流失分析：客户流失分析是指根据已有的客户流失数据， 建立客户属性、服务类型、客户消费情况等数据与客户流失概率相关联的数学模型， 找出这些数据之间的关系， 并给出明确的数学公式， 然后根据此模型来监控客户流失的可能性。关键问题是当运营商面临海量的客户资料时， 应如何才能够从中提取出有效的信息以判断客户流失的状况或者倾向。在此， 数据挖掘所提供的数据探索能力得到了充分的发挥。
3.2 数据挖掘的实施过程
（1）定义问题：在此要清晰的定义出业务问题，确定目标， 同时判定该问题是否可以用数据挖掘来解决， 并评估目前可用于数据挖掘的资源， 制定数据挖掘计划。在本例中， 确定的数据挖掘目标是寻找电话卡与电话类型之间的潜在关联关系。
（2）选择数据挖掘技术和工具：在明确了说要解决的问题后， 我们就可以选择合适的数据挖掘技术和工具。可以采用的技术有 Apriority 算法、多层关联规则挖掘、基于约束的关联规则挖掘等。
（3）数据选择：数据挖掘是由可以获取的数据驱动的， 其成功在很大程度上取决于数据的质量和数量。我们应搜索所有与目标有关的内部和外部数据信息， 并从中选择出适用于数据挖掘应用的数据。
（4）建立数据挖掘模型并实施数据挖掘：数据挖掘模型是针对挖掘算法建立的， 如可以选择关联规则、决策数等。我们利用关联规则建立了数据挖掘模型之后，要对其模型进行验证，这样就可以应用所得到的数据进行挖掘。
（5）结果分析和评估：通过上面的处理之后， 就会得到一系列的分析结果和模式， 它们是对目标问题的多侧面的描述， 这时需要对它们进行分析和评价， 以得到合理的完备的决策信息。
【参考文献】
[1]彭木根.数据仓库技术与实现[M].北京：电子工业出版社， 2002.53- 62.
[2]赵宏波.电信企业客户关系管理[M].北京：人民邮电出版社， 2003.89- 93.
[3]杨路明.客户关系管理系统[M].重庆：重庆大学出版社，2004.